วงจรรวมโฟโตนิกหรือชิปออปติคอลอาจมีข้อได้เปรียบเหนือวงจรอิเล็กทรอนิกส์หลายประการ เช่น ลดการใช้พลังงานและลดเวลาแฝงในการคำนวณ นั่นเป็นเหตุผลที่นักวิจัยหลายคนเชื่อว่าพวกเขาสามารถมีประสิทธิภาพอย่างมากในงานการเรียนรู้ของเครื่องและปัญญาประดิษฐ์ (AI) Intel ยังมองเห็นโอกาสที่ดีสำหรับการใช้ซิลิคอนโฟโตนิกส์ในทิศทางนี้ ทีมวิจัยของเธอใน เทคนิคใหม่โดยละเอียดที่อาจทำให้โครงข่ายประสาทเทียมแบบออปติกเข้าใกล้ความเป็นจริงมากขึ้นอีกขั้น
ในช่วงที่ผ่านมา ซึ่งเน้นการเรียนรู้ของเครื่องโดยเฉพาะ อธิบายว่าการวิจัยในด้านโครงข่ายประสาทเทียมแบบออปติคัลเริ่มต้นขึ้นได้อย่างไร การวิจัยโดย David A. B. Miller และ Michael Reck ได้แสดงให้เห็นว่าวงจรโฟโตนิกชนิดหนึ่งที่เรียกว่า Mach-Zehnder interferometer (MZI) สามารถกำหนดค่าให้ทำการคูณเมทริกซ์ขนาด 2 × 2 ได้ โดยหากวาง MZI ไว้บนตาข่ายสามเหลี่ยมสำหรับการคูณเมทริกซ์ขนาดใหญ่ เราสามารถรับวงจรที่ใช้อัลกอริธึมการคูณเมทริกซ์-เวกเตอร์ ซึ่งเป็นการคำนวณพื้นฐานที่ใช้ในการเรียนรู้ของเครื่อง
การวิจัยใหม่ของ Intel มุ่งเน้นไปที่สิ่งที่เกิดขึ้นเมื่อมีข้อบกพร่องต่างๆ ที่ชิปออปติคัลอาจได้รับผลกระทบในระหว่างการผลิต (เนื่องจากโฟโตนิกส์เชิงคำนวณมีลักษณะแบบแอนะล็อก) ทำให้เกิดความแตกต่างในความแม่นยำในการคำนวณระหว่างชิปประเภทเดียวกันที่แตกต่างกัน แม้ว่าจะมีการศึกษาที่คล้ายกัน แต่ในอดีตพวกเขามุ่งเน้นไปที่การปรับให้เหมาะสมหลังการผลิตมากขึ้นเพื่อกำจัดความไม่ถูกต้องที่อาจเกิดขึ้น แต่แนวทางนี้มีความสามารถในการปรับขนาดได้ไม่ดีเมื่อเครือข่ายมีขนาดใหญ่ขึ้น ส่งผลให้พลังการประมวลผลเพิ่มขึ้นซึ่งจำเป็นในการตั้งค่าเครือข่ายแบบออปติก แทนที่จะเพิ่มประสิทธิภาพหลังการผลิต Intel พิจารณาชิปการฝึกอบรมเพียงครั้งเดียวก่อนการผลิตโดยใช้สถาปัตยกรรมที่ทนทานต่อเสียงรบกวน โครงข่ายประสาทเทียมแบบอ้างอิงได้รับการฝึกหนึ่งครั้ง หลังจากนั้นพารามิเตอร์การฝึกจะถูกกระจายไปยังอินสแตนซ์เครือข่ายประดิษฐ์หลายรายการโดยมีความแตกต่างในส่วนประกอบต่างๆ
ทีมงาน Intel พิจารณาสถาปัตยกรรมสองแบบสำหรับการสร้างระบบปัญญาประดิษฐ์ที่ใช้ MZI: GridNet และ FFTNet GridNet วาง MZI ไว้ในตารางอย่างคาดการณ์ได้ ในขณะที่ FFTNet วาง MZI ไว้ในตารางอย่างผีเสื้อ หลังจากการฝึกอบรมทั้งในการจำลองในงานเกณฑ์มาตรฐานการเรียนรู้เชิงลึกการรู้จำตัวเลขที่เขียนด้วยลายมือ (MNIST) นักวิจัยพบว่า GridNet มีความแม่นยำสูงกว่า FFTNet (98% เทียบกับ 95%) แต่สถาปัตยกรรม FFTNet นั้น "แข็งแกร่งกว่าอย่างเห็นได้ชัด" ในความเป็นจริง ประสิทธิภาพของ GridNet ลดลงต่ำกว่า 50% ด้วยการเพิ่มสัญญาณรบกวนเทียม (การรบกวนที่จำลองข้อบกพร่องที่เป็นไปได้ในการผลิตชิปออปติคอล) ในขณะที่ FFTNet นั้นยังคงเกือบคงที่
นักวิทยาศาสตร์กล่าวว่างานวิจัยของพวกเขาวางรากฐานสำหรับวิธีการฝึกอบรมปัญญาประดิษฐ์ ซึ่งสามารถขจัดความจำเป็นในการปรับแต่งชิปออปติคัลอย่างละเอียดหลังจากผลิตแล้ว ซึ่งช่วยประหยัดเวลาและทรัพยากรอันมีค่า
“เช่นเดียวกับกระบวนการผลิตใดๆ ข้อบกพร่องบางอย่างจะเกิดขึ้นซึ่งหมายความว่าชิปจะมีความแตกต่างเล็กน้อยซึ่งจะส่งผลต่อความแม่นยำของการคำนวณ” Casimir Wierzynski ผู้อำนวยการอาวุโสของ Intel AI Product Group เขียน “หากเอนทิตีประสาทตาจะกลายเป็นส่วนหนึ่งของระบบนิเวศฮาร์ดแวร์ AI พวกเขาจะต้องย้ายไปยังชิปที่ใหญ่กว่าและเทคโนโลยีการผลิตทางอุตสาหกรรม การวิจัยของเราแสดงให้เห็นว่าการเลือกสถาปัตยกรรมที่เหมาะสมล่วงหน้าจะช่วยเพิ่มโอกาสที่ชิปที่ได้จะบรรลุประสิทธิภาพตามที่ต้องการได้อย่างมาก แม้ว่าจะมีรูปแบบการผลิตที่แตกต่างกันก็ตาม”
ในเวลาเดียวกันกับที่ Intel กำลังดำเนินการวิจัยเป็นหลัก Yichen Shen ผู้สมัครระดับปริญญาเอกจาก MIT ได้ก่อตั้ง Lightelligence สตาร์ทอัพในบอสตัน ซึ่งระดมทุนได้ 10,7 ล้านดอลลาร์ในการระดมทุนและ ชิปออปติคอลต้นแบบสำหรับการเรียนรู้ของเครื่องที่เร็วกว่าชิปอิเล็กทรอนิกส์สมัยใหม่ถึง 100 เท่า และยังลดการใช้พลังงานตามลำดับความสำคัญ ซึ่งแสดงให้เห็นอย่างชัดเจนอีกครั้งถึงคำมั่นสัญญาของเทคโนโลยีโฟโตนิก
ที่มา: 3dnews.ru